当前位置: 首页 > 专利查询>浙江大学专利>正文

一种基于深度神经网络的用户会话推荐方法技术

技术编号:13394784 阅读:111 留言:0更新日期:2016-07-23 12:49
本发明专利技术公开了一种基于深度神经网络的用户会话的推荐方法。该方法的步骤如下:收集购物网站日志数据,重建用户会话所浏览过的商品网页,生成训练集D’、交叉验证集V’和测试集T’;对所有的会话进行扩展处理,从而生成训练集D、交叉验证集V和测试集T;设置神经网络参数,生成深度深度神经网络模型;训练神经网络,使用基于遗传算法的自动调参框架进行调参;计算模型在测试集T上的正确率;计算路径压缩比。本发明专利技术能显著提高推荐精度,针对神经网络调参困难的问题,基于遗传算法提出一个自动调整网络相关配置的算法,大大提高网络调参的效率。它适用于在线购物网站在与用户交互的同时,向用户推荐他们可能会购买的商品。

【技术实现步骤摘要】


本专利技术涉及用户会话推荐方法,尤其是涉及一种基于深度神经网络的用户会话推荐方法。

技术介绍

为了应对信息过载问题,人们越来越多得依赖推荐系统来选择我们需要的信息和物品。例如淘宝、京东商城、考拉海购、苏宁易购、Amazon等购物网站,就向用户提供了多种不同形式的推荐服务,它们会根据用户的购买的历史纪录,推测用户的购买喜好,向他推荐用户可能会购买的物品。
近年来,协同过滤算法被许多实际系统所采用。P.Resnick等人(1994年)较早研究了协同过滤推荐算法,将整个用户-物品数据集加载到内存中,并把它看作一个整体来进行评分预测。该算法使用皮尔逊相关度系数作为两个用户之间的相似度权重,然后为目标用户在每一个物品上面的评分进行预测。然而该方法需要将所有数据加载到内存中,因此并不具有良好的伸缩性。J.S.Breese等人(1998年)将贝叶斯模型应用于协同过滤推荐中,发现具有更好的伸缩性但是其推荐的性能较基于内存的方法有所下降。R.Greiner等人(1998年)提出了扩展逻辑回归的贝叶斯网络,提高了推荐精度,但是需要更长的训练时间。S.Zhang等人(2005年)提出了基于奇异值分解的协同过滤推荐算法,通过对评分矩阵的直接建模,进一步提高了推荐精度。Y.Zhou等人(2008年)提出了利用交替最小二乘算法进行协同过滤推荐,该方法简化了奇异值分解模型,较奇异值分解方法具有更好的伸缩性。此外,随着G.E.Hinton等人(2006年)提出深度神经网络的训练方法后,深度神经网络逐渐成为人工智能、机器学习领域的一个热门研究方向。Salakhutdinov等人(2007年)提出了一种基于深度学习方法的协同过滤推荐的方法。而Georgiev等人(2013年)则将这种方法进行了扩展,使得它适用于统一非独立分布的数据集上。
虽然以上推荐算法在离线场景下效果良好,但它并不适用于实时推荐,因为它的模型针对的只是静态数据集,只收集了买与不买,评价高与不高这样的信息,缺乏对更加细微的特性的捕捉,不具有时效性。因而并不适用于交互场景下的推荐服务。

技术实现思路

本专利技术的目的在于提供一种基于深度神经网络的用户会话的推荐方法,旨在提高购物网站用户会话推荐商品的准确性,并帮助用户更快地做出购买决定。
为了达到上述专利技术目的,本专利技术所采用的技术方案的步骤如下:
步骤1)收集购物网站日志数据,按照用一个用户的同一个会话对日志数据进行分类,重建所有用户的完整会话所浏览过的商品网页,并按照6:2:2的比例,生成训练集D’、交叉验证集V’和测试集T’;
步骤2)对所有用户的完整会话进行扩展处理,用所述完整会话生成多个不完整会话,从而生成训练集D、交叉验证集V和测试集T;
步骤3)深度神经网络模型分为循环神经网络和前馈神经网络两部分,设置深度神经网络模型的初始结构,生成深度神经网络模型;
步骤4)利用梯度下降算法在训练集D上训练深度神经网络模型,根据交叉验证集V上的正确率使用基于遗传算法的自动调参框架对深度神经网络模型的结构和基本参数进行自动调参;
步骤5)使用训练好的深度神经网络模型对用户会购买的商品在测试集T进行预测,计算深度神经网络模型在测试集T上的正确率;
步骤6)计算在测试集T上的路径压缩比,路径压缩比定义为在由同一个完整会话扩展而来的多个不完整会话中,最早获得用户在完整会话中购买的商品的推荐结果的用户会话长度与完整会话长度之比。
步骤2)中所述对所有会话进行扩展处理的步骤如下:
步骤2.1)假设用户会话包含的页面为序列q1,q2,...,qk,在用户会话之前的购买的商品为h1,h2,...,hn,最终购买的商品为x,则令Q0←?,i←0,A←{h1,h2,...,hn本文档来自技高网
...

【技术保护点】
一种基于深度神经网络的用户会话的推荐方法,其特征在于,该方法的步骤如下:步骤1)收集购物网站日志数据,按照用一个用户的同一个会话对日志数据进行分类,重建所有用户的完整会话所浏览过的商品网页,并按照6:2:2的比例,生成训练集D’、交叉验证集V’和测试集T’;步骤2)对所有用户的完整会话进行扩展处理,用所述完整会话生成多个不完整会话,从而生成训练集D、交叉验证集V和测试集T;步骤3)深度神经网络模型分为循环神经网络和前馈神经网络两部分,设置深度神经网络模型的初始结构,生成深度神经网络模型;步骤4)利用梯度下降算法在训练集D上训练深度神经网络模型,根据交叉验证集V上的正确率使用基于遗传算法的自动调参框架对深度神经网络模型的结构和基本参数进行自动调参;步骤5)使用训练好的深度神经网络模型对用户会购买的商品在测试集T进行预测,计算深度神经网络模型在测试集T上的正确率;步骤6)计算在测试集T上的路径压缩比,路径压缩比定义为在由同一个完整会话扩展而来的多个不完整会话中,最早获得用户在完整会话中购买的商品的推荐结果的用户会话长度与完整会话长度之比。

【技术特征摘要】
1.一种基于深度神经网络的用户会话的推荐方法,其特征在于,该方法
的步骤如下:
步骤1)收集购物网站日志数据,按照用一个用户的同一个会话对日志数据
进行分类,重建所有用户的完整会话所浏览过的商品网页,并按照6:2:2的比
例,生成训练集D’、交叉验证集V’和测试集T’;
步骤2)对所有用户的完整会话进行扩展处理,用所述完整会话生成多个不
完整会话,从而生成训练集D、交叉验证集V和测试集T;
步骤3)深度神经网络模型分为循环神经网络和前馈神经网络两部分,设置
深度神经网络模型的初始结构,生成深度神经网络模型;
步骤4)利用梯度下降算法在训练集D上训练深度神经网络模型,根据交
叉验证集V上的正确率使用基于遗传算法的自动调参框架对深度神经网络模
...

【专利技术属性】
技术研发人员:寿黎但陈珂陈刚胡天磊伍赛俞骋超
申请(专利权)人:浙江大学
类型:发明
国别省市:浙江;33

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1